En el Databricks Data + Cumbre de IA, Artefact transmitió un mensaje claro a los responsables de IA en las empresas: la próxima fase de la adopción de la IA no se ganará únicamente con los modelos. La ganarán aquellas organizaciones que sean capaces de establecer el data de confianza, la gobernanza y los fundamentos semánticos necesarios para que los agentes pasen de la fase piloto a la de producción.
Artefact, la empresa especializada en inteligencia artificial que combina una ejecución de nivel técnico con un enfoque de consultoría para obtener resultados de gran impacto y contrastados, presentó arquitecturas orientadas a la producción con agentes en directo, así como demostraciones reales basadas en data y Databricks en los sectores de la medición de marketing, los servicios financieros, la belleza, los productos de gran consumo y la logística.
De la presencia de Artefact en Databricks se desprendió un tema central: la IA empresarial no puede escalar basándose únicamente en la recuperación de información. Si bien RAG, los catálogos metadata y los copilotos ayudan a las empresas a experimentar con rapidez, los agentes de IA listos para producción requieren algo más profundo: una capa ontológica capaz de interpretar el significado empresarial, determinar la autoridad y razonar a partir de las relaciones.
Ahí es donde las lecciones aprendidas de Artefact, cobran especial relevancia. En su opinión, muchas organizaciones están descubriendo la misma cruda realidad: los agentes de IA solo pueden actuar con seguridad cuando la empresa ha aclarado qué significa su data, quién lo regula y cómo se relacionan los conceptos empresariales entre los distintos sistemas.
¿Por qué los catálogos RAG y metadata no son suficientes para la IA en entorno de producción?
Para muchas empresas, la generación aumentada mediante recuperación (RAG) se ha convertido en el punto de partida por defecto para la IA empresarial. Artefact sostiene que la RAG presenta límites estructurales a la hora de tomar decisiones reguladas y listas para su aplicación en producción.
Akhilesh Kale (AK), socio de Artefact, explica:
“Una búsqueda vectorial devuelve fragmentos que se asemejan a su pregunta. No tiene en cuenta si la cifra que aparece en ese fragmento es la que ha aprobado su director financiero, ni cómo se relaciona ‘cliente activo’ con ‘contrato’ tres sistemas más allá. Esas son las dos cosas que el RAG, por su propia estructura, no puede hacer: determinar la autoridad y razonar a través de las relaciones. Una ontología resuelve ambas cosas. Clasifica las definiciones según quién las haya redactado, con qué frecuencia se utilizan y cuán cercanas se encuentran a los activos certificados, y codifica las relaciones que convierten una pregunta en una respuesta calculada, en lugar de una suposición recuperada. Los catálogos inventarían su data. Las ontologías lo evalúan. Esa brecha es la diferencia entre una demostración y algo que pueda funcionar en un entorno regulatorio”.”
Esta distinción es importante porque la IA empresarial está pasando de responder preguntas a tomar medidas. En ese contexto, una respuesta “suficientemente aproximada” no es suficiente. Los agentes deben comprender qué definición es la válida, qué activo data está certificado y cómo se relacionan los conceptos entre los sistemas financieros, de clientes, de productos, jurídicos y operativos.
Esto reviste especial importancia en sectores regulados, como los servicios financieros, los seguros, la sanidad, la energía y las telecomunicaciones, en los que la explicabilidad, el rastreo de la información, los permisos y la gobernanza no son opcionales.
El reto oculto de la IA empresarial: la gestión responsable, no la tecnología
El mensaje «Databricks» de Artefact también cuestiona la idea de que la parte más difícil de la IA empresarial sea la implementación técnica. Kale, muchas iniciativas se estancan no porque la tecnología falle, sino porque las organizaciones subestiman el trabajo humano y de gobernanza necesario para mantenerla.
Akhilesh Kale (AK), “La fase de desarrollo no es donde se producen estos atascos. Se producen en dos puntos que los equipos suelen pasar por alto. El primero es que la extracción automática genera un borrador, no una decisión: cuando aparecen tres definiciones de ‘margen’, alguien con autoridad tiene que elegir, y eso es un acto político que la mayoría de las organizaciones se esfuerzan por evitar. El segundo es el deterioro. Una definición que era correcta en el primer trimestre deja de serlo tras una reorganización o una migración del sistema, por lo que el gráfico necesita flujos de trabajo instrumentados y un responsable designado, no una actualización anual. Si no se garantiza la gestión, el ”gráfico vivo» morirá silenciosamente».”
Esta es una de las lecciones fundamentales que destaca Artefact: la transformación mediante la inteligencia artificial no consiste únicamente en implementar plataformas o modelos. Se trata de rediseñar la forma en que las organizaciones gestionan el significado, la responsabilidad, la rendición de cuentas y el cambio.
Una ontología dinámica requiere una gestión activa. Las definiciones empresariales cambian. Los sistemas se actualizan. Los equipos se reorganizan. Las expectativas normativas evolucionan. Sin una gestión responsable y sin los instrumentos adecuados, la capa semántica queda obsoleta y, una vez que eso ocurre, los agentes pierden la confianza.
Gobernanza en tiempo real: pasar del control de acceso a las medidas de protección en tiempo de ejecución
La tercera lección es que la gobernanza moderna de la IA debe funcionar en tiempo real. Ya no basta con regular a qué datos puede acceder un sistema al inicio de un flujo de trabajo. Los agentes de IA en producción necesitan una gobernanza integrada en la ruta de ejecución, que controle lo que un agente está autorizado a hacer mientras está actuando.
Akhilesh Kale (AK) y añade:
“Sí, con un requisito previo imprescindible: el verdadero avance radica en que la gobernanza pasa a formar parte de la ruta de ejecución: Unity AI Gateway controla lo que un agente puede hacer durante la ejecución de una tarea, no solo lo que puede leer, y no existe un segundo sistema de permisos con el que haya que mantener la sincronización. Para la banca, los seguros y la gestión de activos, esa es la diferencia entre una prueba piloto y una implantación. Pero esta capa hereda la confianza; no la crea. Es un multiplicador del data foundation con el que ya cuenta, y un multiplicador mantiene el signo: las empresas que han realizado el trabajo de gobernanza obtienen un impulso inmediato, mientras que el resto obtiene una versión más rápida y segura de un caos que no habían analizado directamente”.”
Este punto guarda una relación directa con la postura general de Artefact: los agentes listos para la producción requieren bases fiables. Los Databricks pueden proporcionar la capa data regulada, pero las empresas aún deben asumir la ardua tarea de definir la titularidad, resolver ambigüedades y rediseñar los modelos operativos en torno a la colaboración entre personas y agentes.
De los proyectos piloto a la producción: los sistemas agenticos de Artefact en acción
Artefact muestra cómo se aplica esto en la práctica, con casos de uso de agentes en tiempo real desarrollados sobre la base de Databricks, entre los que se incluyen:
- Una herramienta de medición del marketing conversacional que permite a los directivos simular la asignación de presupuestos mediante el lenguaje natural.
- Perfiles sintéticos para el sector de los servicios financieros y de bienes de consumo de uso diario (CPG), que permiten a los profesionales del marketing analizar perfiles de clientes simulados para obtener información más rápidamente.
- Un asistente de compras de productos de belleza basado en inteligencia artificial que facilita la búsqueda personalizada de productos en un catálogo con más de 60 000 referencias.
- Corrie, un asistente de inteligencia artificial para la resolución de problemas logísticos que ayuda a los equipos de almacén a resolver más rápidamente los casos de artículos que faltan o que se han intercambiado.
En todos estos ejemplos, los agentes adquieren valor cuando están conectados a un data preciso, regulado y preparado para el entorno empresarial, y cuando las organizaciones rediseñan las funciones humanas y las estructuras de gobernanza en torno a ellos.
Para Artefact, la lección que se desprende de Databricks Está claro. El futuro de la IA empresarial no consiste en un conjunto de pilotos, copilotos o asistentes inconexos. Se trata de una organización híbrida preparada para la producción, en la que las personas y los agentes de IA operan a través de una infraestructura data foundations compartida, flujos de trabajo regulados y una responsabilidad claramente definida.
El modelo no consiste en que “la IA sustituya a las personas”. Se trata de que las personas asciendan en la cadena de valor, pasando de la ejecución a la toma de decisiones, de la producción a la evaluación y de la ejecución de procesos a la gestión de los sistemas que los controlan.
